4 Déplacements pour le motif commerce

Par

Maxime Parodi

Xavier Timbeau

Scotia Hille

Publié le

14 décembre 2023

Modifié le

10 décembre 2024

4.1 Proposition de méthode

L’évaluation des flux effectifs de mobilité professionnelle quotidienne repose sur la disponibilité d’une matrice origine destination très riche, disponible pour chaque année de recensement au niveau intercommunal, décrivant donc les flux de mobilité professionnelle quotidienne usuelle¹ pour toute la France. Cette information est également disponible pour les mobilités scolaires. En revanche, pour les autres motifs de déplacement, on ne dispose pas d’un équivalent.

¹ Et donc sans information de fréquence.

En particulier, le motif commerce est plus complexe à appréhender parce que les lieux de commerces sont nombreux, bien plus nombreux que les lieux d’étude ou de travail. Or le motif commerce est un élément important des mobilités. Le tableau 4.1 donne les valeurs agrégées moyenne pour un adulte en France hors Ile de France. Le motif « courses » représente 15% des kilomètres parcourus.

Tableau 4.1. Enquête mobilité des personnes 2019

Aire attraction 200-700k
km par personne par an
	par actif	par adulte
	travail	travail	etudes	courses	autres	total
km
très dense	5 922 [5 244, 6 750]	2 744 [2 406, 3 172]	885 [710, 1 100]	1 136 [971, 1 323]	2 166 [1 818, 2 575]	6 950 [6 394, 7 610]
densité intermédiaire	8 334 [7 062, 9 708]	4 084 [3 417, 4 799]	1 395 [965, 1 928]	1 736 [1 390, 2 083]	3 049 [2 523, 3 604]	10 265 [9 319, 11 340]
peu dense	9 952 [8 814, 11 102]	5 407 [4 687, 6 170]	1 827 [1 478, 2 238]	1 895 [1 576, 2 228]	4 178 [3 509, 5 068]	13 335 [12 266, 14 397]
très peu dense	11 135 [6 326, 15 620]	6 445 [3 478, 9 257]	3 225 [1 612, 5 145]	1 408 [763, 2 276]	1 870 [617, 3 521]	12 990 [9 998, 16 644]
total	7 929 [7 345, 8 547]	3 918 [3 616, 4 273]	1 334 [1 152, 1 539]	1 503 [1 366, 1 659]	2 963 [2 681, 3 308]	9 731 [9 270, 10 233]
relatif
très dense	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]
densité intermédiaire	1.4 [1.1, 1.7]	1.5 [1.2, 1.8]	1.6 [1, 2.3]	1.5 [1.2, 1.9]	1.4 [1.1, 1.8]	1.5 [1.3, 1.7]
peu dense	1.7 [1.4, 2]	2 [1.6, 2.4]	2.1 [1.5, 2.8]	1.7 [1.3, 2.1]	1.9 [1.5, 2.5]	1.9 [1.7, 2.1]
très peu dense	1.9 [1.1, 2.6]	2.3 [1.2, 3.5]	3.6 [1.6, 6.3]	1.3 [0.66, 2.1]	0.89 [0.28, 1.7]	1.9 [1.4, 2.4]
total	1.3 [1.2, 1.5]	1.4 [1.3, 1.6]	1.5 [1.3, 1.9]	1.3 [1.2, 1.5]	1.4 [1.2, 1.6]	1.4 [1.3, 1.5]
Source : EMP 2019, 11.5M adultes (AGE>=18) dans la zone 3k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95%

L’enquête EMC² donne une information construite sur le même schéma d’enquête que l’enquête mobilité nationale. On peut donc la comparer avec l’enquête nationale. Le tableau 4.2 est construit comme pour l’EMP. Ce tableau est encore en construction, et nous devons affiner l’utilisation des pondérations. D’autre part, il ne concerne que les jours de semaine, nous n’avons pas intégré la base pour les week-ends. D’autres vérifications sont nécessaires. A ce stade, notre exploitation de l’EMC² montre moins de kilomètres parcourus dans la métropole d’Aix Marseille Provence.

Tableau 4.2. Enquête certifiée CEREMA (EMC²), Aix Marseille Provence

Metropole Aix-Marseille-Provence
km par personne par an
	par actif	par adulte
	travail	travail	etudes	courses	autres	total
km
très dense	4 438 [4 253, 4 586]	1 960 [1 869, 2 035]	1 287 [1 222, 1 361]	973 [927, 1 019]	1 195 [1 149, 1 251]	5 420 [5 305, 5 532]
densité intermédiaire	2 906 [2 669, 3 132]	1 408 [1 287, 1 519]	871 [775, 984]	832 [758, 907]	735 [664, 811]	3 852 [3 665, 4 031]
peu dense	2 305 [1 614, 3 097]	1 024 [696, 1 409]	1 510 [792, 2 459]	761 [509, 1 043]	635 [431, 857]	3 941 [3 110, 4 953]
très peu dense	4 021 [419, 8 168]	1 673 [105, 3 886]	248 [0, 642]	21 [0, 1 162]	355 [2.2, 837]	2 662 [1 012, 4 733]
total	4 063 [3 915, 4 195]	1 833 [1 762, 1 894]	1 201 [1 145, 1 259]	941 [901, 980]	1 092 [1 053, 1 135]	5 067 [4 968, 5 171]
relatif
très dense	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]	1 [1, 1]
densité intermédiaire	0.66 [0.6, 0.71]	0.72 [0.65, 0.79]	0.68 [0.59, 0.77]	0.85 [0.77, 0.96]	0.61 [0.55, 0.68]	0.71 [0.67, 0.75]
peu dense	0.52 [0.36, 0.7]	0.52 [0.35, 0.73]	1.2 [0.61, 1.9]	0.79 [0.53, 1.1]	0.53 [0.36, 0.71]	0.73 [0.57, 0.91]
très peu dense	0.9 [0.094, 1.8]	0.85 [0.054, 2]	0.2 [0, 0.5]	0.022 [0, 1.2]	0.29 [0.0019, 0.71]	0.49 [0.19, 0.88]
total	0.92 [0.9, 0.93]	0.94 [0.92, 0.95]	0.93 [0.91, 0.95]	0.97 [0.95, 0.99]	0.91 [0.9, 0.93]	0.94 [0.93, 0.94]
Source : EMP2 2019-2020, 1.5M adultes (age>=18) dans la zone 19.2k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95%

L’enquête mobilité certifiée CEREMA (EMC²) délivre une information de location assez fine. Elle correspond peu ou prou à la définition de l’IRIS graphique 4.1. Cette information permet donc pour d’autres motifs que le motif professionnel de construire une matrice origine destination, c’est-à-dire une information comparable à la donnée du recensement MOPBRO. Il existe cependant une nuance importante, l’EMC² repose sur un échantillon représentatif mais pas exhaustif. Or, pour construire une matrice origine destination détaillée au niveau le plus fin, il faudrait un échantillon bien plus important. En revanche pour des découpages moins fins (14 zones comme dans le découpage D10 AOTU) ou encore des découpages « fonctionnels », reposant sur la caractérisation des zones par la surface de commerce. C’est sur cette base que nous proposons d’ajuster un modèle de trajets effectifs semblable à MEAPS pour les mobilités professionnelles.

Le périmètre de l’EMC² est plus large que celui de l’EPCI AMP. Nous limitons notre analyse de l’accès aux zones commerciales au périmètre de l’EPCI (AMP) et donc « oublions » les observations de l’EMC² qui sont en dehors.

**Graphique** 4.1. Subdivisions de l’EMC²

4.2 Construction d’un indicateur de proximité des aménités

4.2.1 Sources de données

La première étape est d’identifier les opportunités. Une des difficultés est la versalité des motifs commerciaux associés à la grande quantité de commerces disponibles sur le territoire. Nous proposons ici d’agréger les surfaces commerciales pour chaque carreau en distinguant 4 grandes catégories de commerce. Ces catégories reprennent, avec réinterprétation, le travail réalisé par l’AUPA².
Notre source principale est celle des fichiers fonciers. Elle donne une information fine sur les secteurs utilisateur du local (code NAF à 5 caractères pour l’entreprise utilisatrice) dans lequel on peut distinguer un commerce de chaussure d’une pharmacie, une supérette d’une grande surface alimentaire. Ce sont des couches agrégées de commerces pour des types de ménages identifiés. Elle permet d’associer au commerce une surface (variable sprincp des fichiers fonciers).

² Merci à Théo Shayer, Ludovic Verre et Luc Garnier pour nous avoir partagé leur méthodologie.

Nous classons les commerces en 4 catégories : alimentaire, commerces (non alimentaires), sorties, santé humaine.

La classification est indiquée dans le tableau 4.3. Par rapport aux choix de l’AUPA, nous avons considéré que les pharmacies étaient des commerces « ordinaires » et limité la notion de santé humaine aux cabinets médicaux (généralistes, spécialistes ou dentistes) en excluant les hôpitaux. Comme nous tenons compte de la surface, les hôpîtaux auraient dominé cette catégorie sans que cela ait vraiment du sens. Le but recherché est de quantifier l’usage habituel de la santé et donc la proximité de services de santé.

Tableau 4.3. Classification des commerces en catégories fonctionnelles

	NAF	Remarques
Alimentaire
COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE A PREDOMINANCE ALIMENTAIRE	4711x	—
COMMERCE DE DETAIL EN MAGASIN SPECIALISE ALIMENTAIRE	4721x; 4722x; 4723x; 4724x; 4725x; 4729x	—
Commerces
AUTRE COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE	4719x	—
AUTRE COMMERCE DE DETAIL (INFORMATIQUE TÉLÉCOM EQUIPEMENT FOYER BIENS CULT HABITS...)	474x; 475x; 476x; 477x	inclut les pharmacies
COMMERCE SPECIALISE TABAC	4726	—
BLANCHISSERIE, COIFFURE, SOIN ET ENTRETIEN CORPOREL	960xx	—
Sortie
RESTO CAFET' RAPIDE	5610x	—
DEBIT DE BOISSON	5630x	—
PROJECTION CINEMA	5914x	—
Santé humaine
8621 GÉNÉRALISTES, 8622 SPÉCIALISTES, 8623 DENTISTES	862xx	exclut les hopitaux

Les fichiers fonciers, bien que construit pour la perception d’une taxe comportent parfois des informations curieuses, pouvant laisser croire à un bruit. Par exemple, certaines surfaces commerciales sont très importantes (il existe des supérettes de plus de 100 000 m²) ou la notion de surface principale est parfois ambigue (comme le montre celle qui est retenue pour les campings). Nous utilisons donc avec prudence cette donnée en la limitant suivant certaines catégories. Ainsi, le tableau 4.4 donne les intervalles dans lesquels sont contraintes les surfaces principales.

Tableau 4.4. Limites de surface

	Code NAF	Minimum (m²)	Maximum (m²)
COMMERCE DE DETAIL DE PRODUITS SURGELES	4711A	20	500
COMMERCE D ALIMENTATION GENERALE	4711B	20	120
SUPERETTES	4711C	120	400
SUPERMARCHES	4711D	400	2500
MAGASINS MULTI-COMMERCES	4711E	50	600
HYPERMARCHES	4711F	2500	28200

Les sources alternatives aux fichiers fonciers sont :

la base des équipements. A notre connaissance, depuis le changement de nomenclature dans la base des fichiers fonciers de 2018, les fichiers fonciers excluent les entités juridiques qui n’ont pas d’activité et cette modification rapproche la source équipement de la source fichiers fonciers.
Des enquêtes sur les commerces, comme l’enquête BD COM 2020 à Paris, présentée par l’APUR. Ce type d’enquête est assez robuste car il repose sur des observations directes des surfaces commerciales ouvertes au public. En revanche, le champ géographique est habituellement trop limité (ici uniquement la commune de Paris). Nous n’avons pas connaissance d’une enquête comparable pour l’agglomération AMP.
La base de données OpenStreetMap, en accès libre. Réalisée à partir d’une information participative, elle constitue une alternative simple à mobiliser³. Dans nos analyses préliminaires, elle recoupe assez bien les fichiers fonciers tout en illustrant certains problèmes d’identification (par exemple, des établissements considérés comme « supermarchés » dans les fichiers fonciers sont répertoriés comme épicerie dans OSM et les implémentations (taille du pâté de maison) donnent plutôt raison à OSM. C’est pour limiter cet effet que nous avons cappé les surfaces.

³ Elle contient des informations également sur les trafics illégaux (stupéfiants), ce qui peut être intéressant à exploiter.

Nous tenons compte enfin de la diversité des commerces à partir de l’information des fichiers fonciers. Par exemple, pour la catégorie fonctionnelle commerce nous agrégeons les surfaces commerciales, en les multipliant par un indice de diversité qui est minimum lorsqu’une seule espèce de commerce est présente et maximal lorsque toutes les espèces sont représentées. Ce type d’indicateur est souvent utilisé en écologie. Il permet donc de donner plus de poids à un bouquet diversifié de commerce totalisant 1 000 m² plutôt qu’à un unique commerce (un garage disons) de 1 000 m².

Formellement, l’indicateur de proximité des aménités \mathcal{A} est construit comme :

\mathcal{A}_c = \left( \sum_{j \in V_{15 \space min}(i), j\in J} {s_j^\alpha \times w_J^{1-\alpha}}\right)^\beta \times \sum_{j \in V_{15 \space min}(i), j \in J} {\frac {1}{w_J \times p_J^2}}

La première partie de l’indicateur \mathcal{A} est la somme des surfaces dans le vosinage de chaque carreau de résidents à moins de 15 minutes (en marchant ou en transport en commun). La seconde partie de l’indicateur permet de prendre en compte la diversité des commerces accessibles dans le voisinage. Le terme p_j est ainsi la part des commerces de la catégorie J (par exemple, parmi les commerces alimentaires, une boucherie, une poissonerie, une épicerie sont autant de catégories qui ont un code NAF à 5 caractères spécifiques). Le paramètre w_J accorde aux catégories un poids en diversité, permettant de compter les grandes surfaces alimentaires comme contribuant plus à la diversité qu’une surface commerciale spécialisée.

Le rôle des paramètres \alpha et \beta est de moduler l’expression \mathcal{A}_c. Plus \alpha est proche de 0, plus ce sont les commerces en tant qu’entité qui sont camptabilisés, indepandement de leur taille. Pour \alpha égal à 1, ce sont les m² de commerce qui comptent, une grande surface de 1 000 m² valant 100 fois plus qu’une échoppe de 10 m². Le paramètre \beta limite l’effet multiplicatif de la surface.

A ce stade, nous n’avons pas beaucoup d’éléments pour choisir les divers paramètres (w_i, \alpha, \beta). Nous avons fixé des valeurs a priori, afin de pouvoir étudier des variantes et évaluer la différence d’analyse produite. Nous verrons que l’indicateur est utilisé non pas en tant que tel, mais principalement par quantile, ce qui le rend insensible à des transformations monotones. L’heuristique consiste à choisir \alpha et w_i de façon à ce que les surfaces ne comptent pas trop. Si on considère un groupe de 6 commerces spécialisés de 100m², on souhaite que ces commerces soient comparables à un super marché de 2500m². En choisissant w_i = 6 pour le supermarché et \alpha = 0.25 la surface ajustée vaut 3,4 pour les 6 commerces et 4,2 pour le supermarché. Pour des commerces spécialisés de 50m², la surface ajustée serait de 3,1 et de 4,7 pour un hypermarché de 5000 m². Ce choix donne donc une importance modérée aux surfaces.

Le paramètre \beta est sélectionné de façon à égaliser les rapports inter-quantiles de la surface ajustée. Ceci conduit à donner un poids égal à la diversité et à la surface ajustée dans la surface équivalente. En changeant le paramètre \beta on peut modifier ce ratio.

Pour les différents super type de commerces, le tableau suivant résume le nombre d’espèce et quelques statistiques essentielles :

Tableau 4.5. Types de commerces

	Espèces pondérés	Espèces brutes	Nbr d'unités	surface
	Espèces pondérés	Espèces brutes	Nbr d'unités	1^er décile	médiane	10^e décile
Alimentaire	12	7	7502	25,0	79,0	855,9
Commerces non alimentaires	42	36	26520	21,0	55,0	280,0
Santé humaine	44	44	6080	17,0	63,0	167,0
Bars, restaurants, cinémas	5	5	5404	21,0	60,0	208,0

	surface ajustée			diversité			surface équivalente
	1^er décile	médiane	10^e décile	1^er décile	médiane	10^e décile	1^er décile	médiane	10^e décile
Alimentaire	3,8	9,5	27,0	3,5	7,7	10,7	16,3	72,8	274,9
Commerces non alimentaires	3,8	9,6	30,2	3,5	8,1	11,9	13,7	76,1	347,6
Santé humaine	2,6	7,8	23,3	1,8	4,4	6,9	5,0	35,8	144,7
Bars, restaurants, cinémas	1,9	3,9	12,2	1,0	2,3	2,8	1,9	8,9	32,4

4.2.2 Indicateur de proximité des aménités pour AMP

**Graphique** 4.2. Cartes de l’accessibilité aux aménités

**Graphique** 4.3. Corrélation entre Alimentation et autres commerces

**Graphique** 4.4. Lien densité accessibilité aux commerces

4.2.3 Courbes de Lorenz

Graphique 4.5. Courbe de Lorenz, accessibilité aux aménités

4.2.4 Indicateur et EMC²

On injecte les indicateurs d’accès aux commerces (les 4 types) ainsi que deux indicateurs de densité (densité simple et pondérée par la population) dans les zones de résidence de l’EMC² AMP. On peut alors confronter les distances parcourues en voiture à la valeur moyenne des indicateurs sur chacune des zones. Le graphique indique une nette corrélation négative pour les 6 indicateurs retenus, ici découpés en quantile. Ce type de graphique permet de calibrer l’indicateur sur la distance parcourue.

**Graphique** 4.6. Distance parcourue par décile d’accessibilité aux commerces alimentaires

On confirme cette analyse en effectuant des régressions (log)linéaires en utilisant les déciles des indicateurs en variables explicatives. 3 variables de contrôle ont été ajoutées (revenu par unité de consommation moyen de la zone (en log), part des individus avec enfants dans la population, part des actifs occupés dans la population). Les résultats confirment les éléments déjà vus. Les zones de résidence qui comportent moins de 10 individus sondés par l’EMC² sont exclues de l’analyse sans que cela ne modifie véritablement les résultats.

les indicateurs des différentes aménités (regroupées en 4 grandes catégories) sont très proches en termes d’explication de la distance parcourue en voiture. La densité ou la densité pondérée expliquent également les distances parcourues en voiture, avec quelques nuances (par exemple, le revenu ne joue plus). Les variables de contrôle (part des individus avec enfants, part des actifs occupés) sont significatifs, d’un signe interprétable et assez constants parmi les variables expliquées.
La distance parcourue décroît nettement avec l’accessibilité aux commerces ou la densité. Ce résultat important valide la construction de ces indicateurs et permet de les calibrer. Par ailleurs, l’effet trouvé est important, puisque entre le premier décile d’accès aux aménités (en gros pas d’aménités accessibles à pied en moins de 15 minutes) et le dernier (zones très denses et très dotées) est de l’ordre de 4 (entre ×4,3 et ×3,1 suivant les indicateurs)⁴.
Les cœfficients estimés permettent éventuellement de distinguer des catégories d’accessibilité, en regroupant les déciles quant ils ont des cœfficients proches. En se basant sur l’indicateur pour les commerces alimentaires, les 3 premiers déciles peuvent être regroupés en une seule catégorie où l’accessibilité aux aménités n’est pas assez élevée pour empêcher l’utilisation de la voiture. D’après la graphique 4.5, cela correspond à un niveau de proximité moyen aux commerces alimentaires d’environ 32 (surface équivalente) ce qui est relativement élevé : en moyenne la diversité y atteint 5,7, soit un peu plus de la moitié de la diversité maximale et la surface brute est de l’ordre de 500 m² de surface commerciale. C’est quelque chose qui correspond à 3 commerces alimentaires. On peut ensuite inclure les 3 déciles suivants, pour un effet de réduction de 1,5 des distances parcourues et les 4 derniers déciles, avec une distinction possible pour le dernier décile. Cette catégorisation illustre le calibrage que permet l’analyse de régression.

⁴ Cette valeur se lit sur le tableau en prenant le cœfficient du dernier décile, moins celui du premier (égal à 0 par référence) et en élevant e à la puissance de cette différence.

	(R^2)	({R}^2)	nobs	rev_uc	enfants	actoccup	se	constante
Alimentaire	31.7%	30.4%	646	0.33** (0.16)	-0.27* (0.16)	0.59*** (0.22)	-0.23*** (0.02)	-1.01 (1.63)
Commerces non alimentaires	29.5%	28.2%	646	0.52*** (0.16)	-0.28* (0.16)	0.53** (0.22)	-0.22*** (0.02)	-2.99* (1.6)
Bars, restaurants, cinémas	29.3%	28.0%	646	0.52*** (0.16)	-0.34** (0.17)	0.54** (0.22)	-0.3*** (0.03)	-2.97* (1.61)
Santé humaine	29.7%	28.4%	646	0.53*** (0.15)	-0.23 (0.16)	0.42* (0.22)	-0.22*** (0.02)	-2.98* (1.59)
Densité	31.9%	30.6%	646	-0.05 (0.17)	-0.2 (0.16)	0.48** (0.22)	-0.33*** (0.03)	2.88 (1.76)
Densité pondérée	28.0%	26.6%	645	-0.05 (0.18)	-0.15 (0.16)	0.41* (0.22)	-0.38*** (0.04)	2.85 (1.91)

	d2	d3	d4	d5	d6	d7	d8	d9	d10
Alimentaire	-0.29** (0.11)	-0.22* (0.11)	-0.43*** (0.12)	-0.47*** (0.12)	-0.46*** (0.12)	-0.7*** (0.12)	-0.81*** (0.12)	-1.02*** (0.12)	-1.46*** (0.13)
Commerces non alimentaires	-0.1 (0.12)	-0.18 (0.12)	-0.42*** (0.12)	-0.27** (0.12)	-0.43*** (0.12)	-0.52*** (0.12)	-0.69*** (0.13)	-0.97*** (0.13)	-1.23*** (0.13)
Bars, restaurants, cinémas	-0.1 (0.11)	-0.22* (0.12)	-0.3** (0.12)	-0.46*** (0.12)	-0.29** (0.12)	-0.48*** (0.12)	-0.6*** (0.13)	-0.92*** (0.13)	-1.29*** (0.13)
Santé humaine	-0.3*** (0.11)	-0.25** (0.12)	-0.32*** (0.12)	-0.55*** (0.12)	-0.61*** (0.12)	-0.74*** (0.13)	-0.82*** (0.13)	-1.16*** (0.12)	-1.13*** (0.13)
Densité	-0.19* (0.11)	-0.25** (0.11)	-0.31*** (0.12)	-0.49*** (0.11)	-0.86*** (0.12)	-0.83*** (0.12)	-0.85*** (0.13)	-1.2*** (0.13)	-1.48*** (0.14)
Densité pondérée	-0.17 (0.12)	-0.28** (0.12)	-0.39*** (0.12)	-0.49*** (0.12)	-0.69*** (0.12)	-0.76*** (0.13)	-0.9*** (0.13)	-1.29*** (0.14)	-1.32*** (0.15)

4.2.5 Densité inversée

A partir des données de distance (ou de temps de parcours), de la localisation des résidents et des localisations des aménités, on puet construire un indicateur dit de « densité inversée » par lequel on représente la population qu’on balaye (soit à 15 minutes de marche ou de transport en commun, soit à 30 minutes de voiture).